eDiscovery IA

Quand quelqu’un parle aujourd’hui de « l’IA dans l’eDiscovery », cela peut vouloir dire presque n’importe quoi. Un chatbot qu’un parajuriste ouvre dans un navigateur. Un modèle de codage prédictif qui classe les documents selon leur probabilité de pertinence. Un grand modèle de langage qui résume à la demande un seul PDF. Ce sont tous des éléments bien réels, et ce sont tous des choses différentes.

Pendant la plus grande partie de la dernière décennie, l’industrie de l’eDiscovery s’est ralliée à une définition étroite — la revue assistée par la technologie fondée sur des classificateurs supervisés, entraînés sur un ensemble initial, puis affinés par des cycles de validation. Ce travail demeure précieux. Mais la forme de ce que l’IA peut faire dans le cadre d’une revue a changé, et le langage que nous utilisons pour la décrire n’a pas suivi.

Cet article tente de nommer ce cadre global. Qu’englobe réellement l’IA en eDiscovery en 2026, quels types de tâches accomplit-elle dans un dossier, et où Claira s’inscrit-elle ?

Ce que signifie désormais l’IA en eDiscovery

L’IA en eDiscovery est l’IA générative appliquée aux éléments du litige — documents, courriels, pièces jointes, transcriptions, images — au service de la phase de revue et d’analyse. C’est la couche entre la collecte et la production, là où l’on prend des décisions au sujet de chaque document du corpus.

Les anciennes technologies de revue reposaient sur des schémas : listes de mots-clés, expressions régulières, ensembles initiaux de TAR, regroupement de quasi-duplicatas. Ces outils font toujours partie de l’ensemble et demeurent utiles. Avec l’IA générative, le changement tient au fait que le modèle lit chaque document comme le ferait un réviseur, dans son contexte, avec jugement, selon vos critères, et produit un résultat que vous pouvez défendre par écrit.

Le travail se divise en quelques catégories reconnaissables. Ce ne sont pas des produits distincts. Ce sont différentes tâches que l’on demande au même moteur de revue d’exécuter.

Revue initiale à l’échelle du corpus

La première chose que fait l’IA en eDiscovery est de lire chaque document de l’ensemble et de se prononcer sur celui-ci. Pas un score de pertinence d’un classificateur. Une réponse motivée à votre question de revue, avec une justification à laquelle vous pouvez vous référer.

C’est la partie qui était autrefois impossible à grande échelle. Soit on y consacrait énormément de ressources humaines, soit on entraînait un modèle sur un échantillon en se fiant à l’extrapolation. Les deux approches comportent des modes d’échec connus. Les documents que vous devez le plus souvent trouver sont souvent ceux qu’un échantillon a le moins de chances de faire ressortir.

Avec Claira, votre réviseur rédige la question, Claira lit chaque document dans Nuix Discover, et vous obtenez pour chacun une décision codée ainsi qu’une justification écrite. Des dizaines de milliers de documents à l’heure. Le rôle du réviseur devient de vérifier les cas limites et de confirmer l’évident, et non de tout relire à partir de zéro.

Codage objectif

La deuxième catégorie est le travail de structuration des faits, qui a historiquement représenté le poste le plus coûteux d’un budget. Auteur, destinataires, date, type de document, langue, relations entre pièces jointes, éléments à masquer. Le genre de champs qui figurent dans le panneau de métadonnées et dont dépend chaque processus en aval.

Fait par des humains, le codage objectif est lent et incohérent. Fait par un classificateur, il ne couvre que ce sur quoi le classificateur a été entraîné. Fait par un modèle qui suit des instructions avec le document sous les yeux, il fonctionne comme le ferait un parajuriste méticuleux, sur chaque document, sans fatigue. Le résultat s’écrit directement dans les champs de Nuix Discover, prêt à être filtré, trié et présenté dans des rapports comme n’importe quelles autres données codées.

Lecture de fond : privilège, renseignements personnels, résumés, chronologies

Une troisième catégorie est le travail qui exige une lecture du fond plutôt que de la forme. Repérer les documents susceptibles d’être privilégiés. Extraire les renseignements personnels qui doivent être traités avant la production. Générer de brefs résumés que les réviseurs peuvent utiliser pour trier. Construire des chronologies datées qui transforment un dossier de courriels en récit.

C’est là que l’IA en eDiscovery commence à se distinguer de la génération précédente d’outils. Le modèle ne classe pas selon un schéma fixe. Il répond à une question — votre question — à propos d’un document. Le même moteur de revue qui produit une conclusion sur la pertinence peut produire un indicateur de privilège, un extrait de renseignements personnels, un résumé d’un paragraphe et une entrée chronologique, selon ce que vous avez demandé.

Vous pouvez voir la carte complète de ce que recouvre ce cadre dans la vue d’ensemble des workflows de Claira.

Contexte du dossier

Ce qui relie tout cela, c’est le contexte propre au dossier. Un modèle qui lit des documents sans connaître le dossier fait de la recherche. Un modèle qui lit des documents avec votre théorie de l’affaire, les parties, les enjeux, les périodes de temps et le langage qui comptent pour vous fait de la revue.

Claira traite ce contexte comme un objet de première importance dans le dossier. Vous l’écrivez une fois, vous continuez de l’affiner, et chaque analyse que vous lancez en hérite. C’est ainsi que vous maintenez la cohérence de dizaines de milliers de décisions sans réexpliquer le dossier au modèle à chaque fois.

C’est aussi ainsi que vous gardez un travail défendable. Les critères sont consignés. Les décisions s’y réfèrent. La piste d’audit suit.

Ce que cela ne remplace pas

L’IA en eDiscovery ne remplace pas les volets de la revue qui exigent un jugement professionnel. Elle ne décide pas ce qui est privilégié dans une situation contestée. Elle ne tranche pas une zone grise en matière de secret commercial. Elle n’approuve pas une production. L’avocat responsable du dossier demeure l’avocat responsable du dossier.

Ce qu’elle fait, c’est le travail à grand volume, guidé par des critères, qui absorbait autrefois la majorité des heures de revue, et elle met les cas limites devant les personnes qui doivent les trancher. Le rôle de l’avocat reste le même. Sa journée, elle, change.

Pour un tour d’horizon plus complet de la place de l’IA dans l’ensemble du flux de travail eDiscovery, de la collecte à la production, notre guide pratique sur la façon dont l’IA s’intègre à l’eDiscovery moderne complète bien ce texte.

Par où commencer

Si vous évaluez l’IA en eDiscovery pour un dossier déjà en revue, la question n’est pas de choisir une seule catégorie. Les catégories fonctionnent ensemble. La plupart des équipes commencent par une revue initiale sur un segment défini, valident le résultat par rapport à ce qu’auraient fait leurs réviseurs, puis étendent ensuite au codage objectif et aux workflows axés sur le fond une fois la confiance établie dans le moteur.

La façon la plus simple de voir à quoi cela ressemble sur vos données est d’en faire le tour avec quelqu’un. Réservez une séance de travail avec nous et nous la mettrons en place à partir d’un échantillon réaliste tiré d’une véritable affaire.

C’est cela, le cadre général. Revue générative qui lit chaque document dans son contexte, le code, justifie la décision et rend à votre équipe les heures qu’elle perdait autrefois à la première passe.